Dagu项目中的RepeatPolicy增强功能解析
2025-07-06 19:04:54作者:庞队千Virginia
在Dagu工作流引擎的最新版本v1.17.0-beta.1中,RepeatPolicy功能得到了显著增强。这一改进为工作流步骤的重复执行提供了更灵活的控制机制,使开发者能够基于多种条件动态控制步骤的重复行为。
RepeatPolicy基础概念
RepeatPolicy是Dagu工作流定义中的一个重要字段,它允许开发者指定某个步骤在特定条件下的重复执行策略。在增强之前,RepeatPolicy主要支持基于时间间隔的简单重复执行。
新增功能特性
1. 字符串匹配条件
现在可以通过指定condition和expected字段来实现基于字符串匹配的重复控制。当condition的值与expected匹配时,步骤将停止重复执行。这种机制特别适用于需要等待特定输出结果的场景。
示例配置:
step:
- name: step1
command: python script.py
repeatPolicy:
condition: "$RESULT"
expected: "success"
intervalSec: 30
2. 命令替换功能
增强后的RepeatPolicy支持在condition字段中使用命令替换语法。系统会执行反引号内的命令,并将其输出作为实际的条件值进行判断。
示例配置:
step:
- name: step1
command: xxx
repeatPolicy:
condition: "`echo foo`"
expected: "foo"
intervalSec: 30
3. 命令执行条件
当仅设置condition字段时,系统会将其视为一个完整的shell命令。只要该命令的退出码为0,步骤就会继续重复执行。这一特性非常适合用于检查文件存在性等系统状态。
示例配置:
step:
- name: step1
command: xxx
repeatPolicy:
condition: "test -f /tmp/flag"
intervalSec: 30
4. 退出码控制
RepeatPolicy现在支持通过exitCode字段指定步骤重复执行的退出码条件。当命令的退出码匹配指定值时,步骤将继续重复执行。
示例配置:
step:
- name: step1
command: xxx
repeatPolicy:
exitCode: [0, 1]
intervalSec: 30
实现原理
在底层实现上,Dagu采用了与Precondition相似的评估机制。系统会根据配置的不同字段组合自动选择适当的评估策略:
- 当同时设置condition和expected时,执行文本匹配评估
- 当仅设置condition时,执行命令并检查退出码
- 当设置exitCode时,直接比较命令的退出码
这种灵活的设计使得RepeatPolicy能够适应各种复杂的重复执行场景,为工作流自动化提供了更强大的控制能力。
最佳实践建议
- 对于需要等待特定输出的场景,推荐使用字符串匹配条件
- 对于需要检查系统状态的场景,命令执行条件是更好的选择
- 当需要基于程序退出码控制重复时,使用exitCode字段最为直接
- 合理设置intervalSec以避免系统资源过度消耗
这些增强功能使得Dagu在处理需要重复执行的任务时更加灵活和强大,为复杂工作流的实现提供了更多可能性。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137